Direction Dependence Analysis: Foundations and Statistical Methods

درباره این کتاب

در حالی که تحلیل رگرسیون به طور گسترده‌ای درک شده است، در تعیین جهت علّی روابط در داده‌های مشاهده‌ای کوتاهی می‌کند. در این کتاب پیشگامانه، ویدرمان و فون آی تحلیل وابستگی جهت‌دار (DDA) را معرفی می‌کنند، روشی نوین که از اطلاعات متغیرها که اغلب توسط تکنیک‌های سنتی نادیده گرفته می‌شوند، مانند گشتاورهای مرتبه بالاتر مانند چولگی و کشیدگی، بهره می‌برد. DDA ویژگی‌های عدم تقارن رگرسیون و همبستگی را آشکار می‌کند و محققان را قادر می‌سازد تا فرضیه‌های علّی رقیب را ارزیابی کنند، نقش متغیرها را در جریان‌های علّی بسنجند و روش‌های آماری برای آزمایش جهت علّی توسعه دهند. این کتاب توصیف رسمی جامعی از DDA را ارائه می‌دهد که با مثال‌های داده‌های مصنوعی و واقعی نشان داده شده است. علاوه بر این، خوانندگان پیاده‌سازی‌های نرم‌افزاری رایگان DDA را خواهند یافت که این کتاب را به منبعی ضروری برای محققانی تبدیل می‌کند که به دنبال افزایش درک خود از روابط علّی در تحلیل داده‌ها هستند. تحلیل وابستگی جهت‌دار یک چارچوب آماری قوی برای آزمایش فرضیه‌های علّیت در روابط متغیرها ارائه می‌دهد و محققان را قادر می‌سازد تا نتیجه‌گیری‌های آگاهانه‌ای در مورد پویایی علت و معلول انجام دهند. این کتاب مقدمه‌ای روشن، جامع و به‌روز بر تحلیل وابستگی جهت‌دار ارائه می‌دهد و بینش‌های نظری و کاربردهای عملی ضروری را برای محققان فراهم می‌کند. با راهنمای گام به گام و درختان تصمیم‌گیری ساده، این کتاب کاربرد تحلیل وابستگی جهت‌دار را ساده می‌کند و محققان را قادر می‌سازد تا انتخاب مدل علّی را بدون دانش قبلی از ساختار علّی زیربنایی که داده‌ها را تولید کرده است، انجام دهند. همراه با نرم‌افزار رایگان R، محققان می‌توانند به راحتی تحلیل وابستگی جهت‌دار را بر روی مجموعه داده‌های خود اعمال کنند و کاوش عملی روابط علّی را تسهیل کنند. این کتاب اصول آماری کلیدی مرتبط با یادگیری ماشین علّی را توضیح می‌دهد و به عنوان مقدمه‌ای قابل دسترس بر مفاهیم زیربنایی DOI: [10.1017/9781009381437] عمل می‌کند.